CN105204024A - 微波遥感表面温度向热红外遥感肤面温度转换的方法 - Google Patents

Abstract

本发明属于遥感应用技术领域，尤其涉及微波遥感表面温度向热红外遥感肤面温度转换的方法。本发明基于土壤热传导方程，提出了一个适用于裸土地区的物理方法，包括：数据预处理；对GLDAS数据进行标定；等效温度生成；微波遥感表面温度向热红外遥感肤面温度转换，用于从被动微波遥感数据生成具有与热红外遥感地表温度相同的物理意义的地表温度。本发明方法对于现有被动微波遥感反演地表温度的算法具有普适性，结合本发明方法，有利于提高这些算法反演裸土地区地表温度的精度。

Description

微波遥感表面温度向热红外遥感肤面温度转换的方法

技术领域

本发明属于遥感应用技术领域，尤其涉及微波遥感表面温度向热红外遥感肤面温度转换的方法。

背景技术

作为地表与大气界面的关键参量，地表温度是全球与区域气候变化的指示因子。大范围地表温度的获取是地气间能量变换、陆地生态系统监测等研究的关键环节。因此，及时准确地获得地表温度对于研究全球气候变化、生态环境变化等工作都有着十分重要的意义。

针对热红外遥感数据反演地表温度的算法已经非常成熟，这有效地促进了各项陆面过程的研究，并且在全球与区域气候变化研究中发挥了重要的作用。热红外反演地表温度在部分情况下精度可以达到1K以内。但是，由于大气状况对热红外遥感影响较大，尤其是在阴雨雪等极端天气。相对而言，被动微波遥感受天气影响较小，可穿透云层，甚至雨区，获取地表辐射信息。被动微波遥感具有全天候、多极化等特点，在反演多云雾地区地表温度方面具有更广泛的应用范围和更大的应用潜力。但是，被动微波反演地表温度方法的精度，特别是在裸土地区不够理想。近年来，学术界围绕利用星载被动微波遥感数据反演地表温度这一科学问题展开了深入的研究，并建立了一系列模型与算法。随着被动微波传感器的增加，使得构建较长时间序列的地表温度数据集成成为可能，被动微波遥感提供的地表温度时间序列数据集，初步在全球气候变化研究中发挥作用。

但是，应用被动微波反演地表温度存在一个主要的问题：相对于热红外遥感，被动微波具有更强的穿透能力，能够携带来自地表以下更深处的辐射信息。通常情况下，热红外波段的热采样深度大约在几微米到几十微米之间，而被动微波的热采样深度不仅大于前者，更取决于土壤湿度，土壤类型以及波长等诸多因素。因此，两者在热采样深度上的差异造成了被动微波遥感表面温度与热红外遥感的地表温度在物理意义和数值上的显著区别。

目前，考虑热采样深度的因素，由被动微波遥感数据估算地表温度的研究相对较少。

发明内容

本发明针对现有技术的不足，基于土壤热传导方程，提出了一个适用于裸土地区的物理方法，用于从被动微波遥感数据生成具有与热红外遥感地表温度相同的物理意义的地表温度。

给钱为了方便地描述本发明的内容，首先对本发明所提到的裸土进行介绍：

裸土土壤层有如下特性：

各向同性、均一；

土壤湿度随土壤深度变化很小，土壤湿度随土壤深度变化对土壤体积热容量和土壤热传导率的影响可以忽略不计，即垂直方向上土壤的热性质是均一的。

在理想情况下，土壤中的能量交换仅仅发生在垂直方向上。在年尺度上，在第t_d天，深度为z(m)处的土壤温度可以通过土壤热传导方程表示，其中，T_ave为表层土(z＝0)的年平均温度，视为常数，单位为K，A₀为土壤的年平均温度，D为A₀衰减到时的土壤深度，单位为m，为观测角频率，单位为rad/天，ψ为初始相位，单位为rad，z为土壤深度。

将土壤热传导方程进行变形，得到z₁和z₂处的温度关系 $T_{(z_2,t_d)}=T_{(z_1,t_d)}+A_0\left(\exp \right(-z_2/D)sin({\mathrm{\ω}}_d{t}_d-z_2/D+\mathrm{\ψ}),$ 其中，z₁≠z₂。令z₁＝0，得到土壤热-exp(-z₁/D)sin(ω_dt_d-z₁/D+ψ))传导方程的推论：任意土壤深度处的温度与土壤表面温度之间的关系为 $T_{(z,t_d)}=T_{(0,t_d)}+A_0\left(\exp \right(-z/D\left)sin\right({\mathrm{\ω}}_d{t}_d-z/D+\mathrm{\ψ})-sin({\mathrm{\ω}}_d{t}_d+\mathrm{\ψ}\left)\right).$

裸土土壤层可以被认为是一个被动微波能量的辐射源，设被动微波传感器AMSR-E可以接收到被动微波热采样深度为z_M＝Am_v ^B的裸土土壤层出射的微波辐射，其中，z_M的单位为米，m_v为土壤层的平均湿度，A为与AMSR-E观测通道频率有关的参数，B为与土壤类型有关的参数。

微波遥感表面温度向热红外遥感肤面温度转换的方法，具体步骤如下：

S1、数据预处理，包括：中分辨率成像光谱仪(ModerateResolutionImagingSpectroradiometer，MODIS)地表温度产品与地球观测系统先进微波扫描辐射计(AdvancedMicrowaveScanningRadiometer-earthobservingsystem，AMSR-E)进行匹配和全球土地数据同化系统(GlobalLandDataAssimilationSystem，GLDAS)土壤温湿度数据与AMSR-E匹配，得到匹配后的MODIS影像数据和匹配后的GLDAS土壤温湿度数据，其中，所述GLDAS土壤温湿度数据提供的是每层土壤的平均温湿度数据；

S2、对GLDAS数据进行标定，具体为：利用S1所述匹配后的MODIS影像数据对S1所述匹配后的GLDAS土壤温湿度数据进行标定，所得结果记为校准后的地表温度额(LSTfromCalibratedData，LCGD)，同时使用S1所述GLDAS数据作为模型的对比输入参数；

S3、等效温度生成：若被动微波传感器ANSR-E某一通道的亮度温度为T_b(K)，在所述通道频率下的裸土土壤层的等效发射率为ε_b＝0.95，则所述通道频率下的裸土土壤层的被动微波等效温度T_s＝T_b/ε_b；

S4、微波遥感表面温度向热红外遥感肤面温度转换，具体为：

S41、根据斯忒藩-玻尔兹曼(Stefan-Boltzmann)定律，S3所述裸土土壤层辐射的有效能量E_s(W/m²)为E_S＝σεT_S ⁴，S3所述裸土土壤层深度为Z_m处辐射的能量为E(z)＝σεT(z)⁴，其中，σ为斯忒藩-玻尔兹曼常数(5.67×10-8W/(m2·K4))，ε为宽波段的发射率，是常数；

S42、S3所述裸土土壤层辐射的有效能量可以表示为S3所述裸土土壤层每一深度辐射出地表的能量的数学期望其中，贡献率密度函数b(z)的积分函数称为贡献率函数a(z)表示从表面(z＝0)到地下深度z的裸土土壤层辐射的被动微波能量占S3所述被动微波传感器ANSR-E接收到的该裸土土壤层辐射的被动微波总能量的比率，则b(z)为减函数，a(z)为增函数且a(z)满足a(0)＝0,a(+∞)＝1；

S43、令 $a\left(z\right)=1-\frac{1}{kz+1},$ 且k＞0，则 $b\left(z\right)=\frac{k}{{(kz+1)}^2};$

S44、令a(z_M)＝99％，结合被动微波热采样深度的定义得出 $E_S*99\%=\underset{0}{\overset{z_M}{\∫}}E\left(z\right)b\left(z\right)dz;$

S45、根据S41所述E_S＝σεT_S ⁴，S41所述E(z)＝σεT(z)⁴和S44所述 $E_S*99\%=\underset{0}{\overset{z_M}{\∫}}E\left(z\right)b\left(z\right)dz$ 可得 $\underset{0}{\overset{Z_M}{\∫}}T{\left(z\right)}^{4}b\left(z\right)dz={T_S}^4*99\%;$

S46、根据积分中值定理，存在其中，Z_R为代表深度，T(Z_R)为代表温度；

S47、得出T(z_R)⁴b(z_R)z_M＝T_s ⁴*99％，则把AMSR-E的被动微波遥感表面温度转换为土壤剖面深度Z_R处的温度T(Z_R)；

S48、根据土壤热传导方程被动微波热采样深度z_M，S41所述E_S＝σεT_S ⁴，S42所述a(z)，S42所述b(z)，S44所述a(z_M)＝99％和S47所述T(z_R)⁴b(z_R)z_M＝T_s ⁴*99％求出S46所述代表深度Z_R和代表温度T(Z_R)，再根据任意土壤深度处的温度与土壤表面温度之间的关系 $T_{(z,t_d)}=T_{(0,t_d)}+A_0\left(\exp \right(-z/D\left)sin\right({\mathrm{\ω}}_d{t}_d-z/D+\mathrm{\ψ})-sin({\mathrm{\ω}}_d{t}_d+\mathrm{\ψ}\left)\right)$ 求出地表温度T₍₀₎，实现了由被动微波遥感表面温度向地表温度的转换。

进一步地，S1所述MODIS地表温度产品与AMSR-E进行匹配的具体步骤为：

步骤A、提取MODIS地表温度产品中质量较好的像元，即利用IDL程序提取MYD11B1产品的日夜地表温度和质量控制指数(QualityControl，QC)，在地表温度影像中提取所述QC标记为“good”的像元即所述质量较好的像元；

步骤B、对经QC提取后的温度影像进行尺度上推，具体为：计算落在S1所述AMSR-E影像的像元i范围内的MODIS像元的地表温度的平均值，所述平均值作为像元i对应的经尺度上推后的地表温度，遍历所述AMSR-E影像的像元，得到每个像元经尺度上推后的地表温度，其中，i为所述AMSR-E影像中像元的编号。

进一步地，S1所述GLDAS土壤温湿度数据与AMSR-E匹配的具体步骤为：

步骤Ⅰ、在空间上，利用立方卷积方法，将S1所述GLDAS土壤温湿度数据进行重采样，使S1所述GLDAS土壤温湿度数据的空间分辨率与S1所述AMSR-E影像一致；

步骤Ⅱ、在时间上，通过样条函数将S1所述GLDAS土壤温湿度数据插值到S1所述AMSR-E的过境时刻，使S1所述GLDAS土壤温湿度数据的时间分辨率与S1所述AMSR-E影像一致。

本发明的有益效果是：

本发明方法对于现有被动微波遥感反演地表温度的算法具有普适性，结合本发明方法，有利于提高这些算法反演裸土地区地表温度的精度。此外，由于本发明方法生成的地表温度与热红外遥感地表温度具有相同的物理含义，故本发明方法可以为现有面向热红外地表温度的模型(如蒸散发、地表辐射与能量平衡、水文过程、干旱监测等)提供输入参数，有助于解决由于热红外遥感数据易受大气影响导致这些模型使用受限的问题，并进一步对集成被动微波遥感与热红外遥感数据的研究(如欧洲空间局EuropeanSpaceAgency(ESA)正在进行的全球温度项目GlobTemperature)，生成全球，特别是多云雾地区的地表温度产品有着一定的意义。

附图说明

图1本发明的研究流程图。

图2研究区各方法误差分布直方图。

图3中国西北及蒙古国部分地区白天四种方法与MODIS回归散点图。

图4中国西北及蒙古国部分地区晚上四种方法与MODIS回归散点图。

图5纳米比亚西部地区白天四种方法与MODIS回归散点图。

图6纳米比亚西部地区晚上四种方法与MODIS回归散点图。

图7纳米比亚西部地区各方法结果与区实测站点相关分析结果。

具体实施方式

下面结合实施例和附图，详细说明本发明的技术方案。

选取了两个典型区域，分别为中国西北及蒙古国部分地区(98°E～103°E，39°N～44.5°N)、纳米比亚西部地区(14.5°E～16°E，21°S～24°S)。其特征在于下垫面以裸土为主，同时，两地区气候干旱，昼夜温差较大，微波热采样温度差异明显，能充分突出微波表面温度和地表温度的差异。本发明的处理流程如图1所示。

本实施例中采用的数据集包括：AMSR-E亮度温度、MODIS地表温度产品、GLDAS全球陆面土壤温湿度数据。其特征在于AMSR-E数据和GLDAS陆面同化数据用于模型训练，得到由AMSR-E被动微波亮温转换而来的地表温度，MODIS地表温度产品和地面站点实测地表温度数据分别用于对模型模拟得到的地表温度进行验证和评价。

数据预处理：

MODIS地表温度产品与AMSR-E进行匹配：

步骤一：提取MODIS地表温度产品中质量较好的像元：利用IDL程序提取MYD11B1产品的日夜地表温度和质量控制指数(QC:QualityControl)，在地表温度影像中提取QC标记为“good”的像元，认为其是具有高可信度的。

步骤二：对经QC提取后温度影像进行尺度上推：对于AMSR-E影像的每个像元，计算落在该像元范围内的MODIS像元的地表温度的平均值，作为该像元对应的经尺度上推后地表温度。

GLDAS土壤温湿度数据与AMSR-E匹配：

步骤一：在空间上，利用立方卷积方法，将GLDAS数据进行重采样，使其空间分辨率与AMSR-E影像相一致；

步骤二：在时间上，通过样条函数将GLDAS数据插值到AMSR-E的过境时刻，使其时间分辨率与AMSR-E影像相一致。

GLDAS数据提供的是每层土壤的平均温湿度数据，由于土壤层的厚度较小，在使用该数据时，可近似认为每层土壤的平均温湿度与该土壤层中间深度处的土壤温湿度相同。

对GLDAS数据进行标定：

部分像元的GLDAS数据的土壤表层温度数据与MODIS地表温度数据存在不可忽略的偏差。为使得土壤热传导方程各系数的拟合结果得更加准确，在方法实现过程中，需要利用MODIS的地表温度数据对GLDAS土壤表层温度数据进行标定，所得结果记为LSTfromCalibratedData(LCGD)。但直接使用未经标定的GLDAS数据作为模型的输入参数所生成的地表温度仍会被保留，作为对比，记为LSTfromOriginalData(LOGD)。

等效温度生成：

根据前面提到的，为了简化模型，取该通道频率下裸土土壤层的等效发射率为εb＝0.95，得到该裸土层的被动微波等效温度Ts。等效温度生成算法记为LSTfromSinglePassiveMicrowaveData(LPMD)：

T_S＝T_b/ε_b

微波遥感表面温度向热红外遥感肤面温度转换：

根据本发明的微波遥感表面温度向热红外遥感肤面温度的转换方法，可将代表深度zR及代表温度T(zR)转换成地表肤面温度。

为了对本算法进行直观比较，在两个研究区同时使用了Holmes(LH)算法、通用经验模型以及本算法，各算法得到的地表温度与MODIS地表温度的误差直方图如图2所示。从图中可以看出，在两个研究区内白天和黑夜两个时间段内的误差均表现出了极强的概率分布特征，三类方法结果的误差绝大多数都分布在-10～10K的范围呢。因此根据该结果，将各算法中|Error|>10K的样本视为结果异常的样本，对其余结果正常的样本与MODIS地表温度进行回归分析，得到如图3～6所示的散点图。可以看出：所有算法得到的结果中，无论是白天还是夜间，LCGD方法得到的正常地表温度的样本比例均是最高，并且在这些样本中，亦是该方法的精度相对最高：其均方根误差RMSE白天为3.9K、3.6K，晚上为3.7K、2.6K，比LH的结果分别减少了0.2K、2.6K和1.3K、2.0K；比LPMD方法的结过分别减少了1.0K、2.5K和4.1K、2.6K；比LOGD的结果分别减少了0.2K、1.1K和1.4K、0.1K。在所有参与比较的算法中，除了在中国西北地区晚上的回归决定系数略低于LPMD，均大于其他算法，这与参与回归的有效样本数有很大的关系，不影响本算法的精度。

由各算法得到的地表温度与实测地表温度作相关分析如下图7所示，从图中可以看到，无论是白天还是夜间，LCGD方法得到的地表温度与实测站点的地表温度相关性最好。这里用地面实测数据对算法做评估而未直接验证的原因主要是：第一，模型得到的结果为25km的分辨率，直接用地面单点实测数据验证的方式存在尺度不匹配以及代表性的问题；第二，模型的执行依赖于GLDAS数据，同时精度受到MODIS标定的影响，而GLDAS和MODIS与地面实测数据之间本身存在一定的误差，故用地面单点实测数据直接进行验证得到的结果不能合理地对模型做出评价。

利用被动微波遥感反演地表温度可以克服热红外遥感极容易受到大气影响的不足，然而由于被动微波和热红外的热采样深度的区别，导致两者的地表温度在物理意义和数值上均存在差异，在裸土地区，这种差异尤为明显，造成了现有绝大多数被动微波遥感反演地表温度的算法在此类地区反演精度不理想。本发明提出了一种针对裸土地区的方法，从能量平衡的角度，通过被动微波遥感观测数据，生成与热红外遥感地表温度具有相同意义的地表温度。该方法优势在于其考虑了微波热采样深度这一关键参数，同时结合土壤热传导方程，从能量平衡的角度对被动微波遥感数据与地表温度的关系给出定量化描述，相比大多数被动微波遥感反演地表温度的经验和半经验模型，该物理模型具有更好的普适性。

经该方法生成的地表温度与MODIS地表温度产品作对比，结果表明，在中国西北及蒙古国部分地区，其均方根误差在白天和晚上分别为3.9K和3.7K，比其他两种未考虑微波热采样深度的方法分别提高了约0.2K、1.0K和1.3K、4.1K；在纳米比亚西部地区，其均方根误差在白天和晚上分别为3.6K和2.7K，比其他两种未考虑微波热采样深度的方法分别提高了约2.6K、2.5K和2.0K、2.6K。进一步评价表明，经模型转换得到的地表温度与地面站点的相关性也最高，从而证明了该方法具有一定的可靠性。该方法对优化诸多面向热红外地表温度的遥感模型的输入参数，提高现有被动微波反演地表温度方法的精度以及集成热红外与被动微波遥感数据进而生成全球，特别是多云雾地区的地表温度产品具有一定的价值。

Claims (3)

1.微波遥感表面温度向热红外遥感肤面温度转换的方法，其特征在于，包括如下步骤：

S1、数据预处理，包括：中分辨率成像光谱仪(ModerateResolutionImagingSpectroradiometer，MODIS)地表温度产品与地球观测系统先进微波扫描辐射计(AdvancedMicrowaveScanningRadiometer-earthobservingsystem，AMSR-E)进行匹配和全球土地数据同化系统(GlobalLandDataAssimilationSystem，GLDAS)土壤温湿度数据与AMSR-E匹配，得到匹配后的MODIS影像数据和匹配后的GLDAS土壤温湿度数据，其中，所述GLDAS土壤温湿度数据提供的是每层土壤的平均温湿度数据；

S2、对GLDAS数据进行标定，具体为：利用S1所述匹配后的MODIS影像数据对S1所述匹配后的GLDAS土壤温湿度数据进行标定，所得结果记为校准后的地表温度额(LSTfromCalibratedData，LCGD)，同时使用S1所述GLDAS数据作为模型的对比输入参数；

S3、等效温度生成：若被动微波传感器ANSR-E某一通道的亮度温度为T_b(K)，在所述通道频率下的裸土土壤层的等效发射率为ε_b＝0.95，则所述通道频率下的裸土土壤层的被动微波等效温度T_s＝T_b/ε_b；

S4、微波遥感表面温度向热红外遥感肤面温度转换，具体为：

S41、根据斯忒藩-玻尔兹曼(Stefan-Boltzmann)定律，S3所述裸土土壤层辐射的有效能量S3所述裸土土壤层深度为Z_m处辐射的能量为E(z)＝σεT(z)⁴，其中，σ为斯忒藩-玻尔兹曼常数(5.67×10-8W/(m2·K4))，ε为宽波段的发射率，是常数；

S42、S3所述裸土土壤层辐射的有效能量可以表示为S3所述裸土土壤层每一深度辐射出地表的能量的数学期望其中，贡献率密度函数b(z)的积分函数称为贡献率函数a(z)表示从表面(z＝0)到地下深度z的裸土土壤层辐射的被动微波能量占S3所述被动微波传感器ANSR-E接收到的该裸土土壤层辐射的被动微波总能量的比率，则b(z)为减函数，a(z)为增函数且a(z)满足a(0)＝0,a(+∞)＝1；

S43、令 $a\left(z\right)=1-\frac{1}{kz+1},$ 且k＞0，则 $b\left(z\right)=\frac{k}{{(kz+1)}^2};$

S44、令a(z_M)＝99％，结合被动微波热采样深度的定义得出 $E_S*99\%=\underset{0}{\overset{z_M}{\∫}}E\left(z\right)b\left(z\right)dz;$

S45、根据S41所述E_S＝σεT_S ⁴，S41所述E(z)＝σεT(z)⁴和S44所述 $E_S*99\%=\underset{0}{\overset{z_M}{\∫}}E\left(z\right)b\left(z\right)dz$ 可得 $\underset{0}{\overset{Z_M}{\∫}}T{\left(z\right)}^{4}b\left(z\right)dz={T_S}^4*99\%;$

S46、根据积分中值定理，存在其中，Z_R为代表深度，T(Z_R)为代表温度；

S47、得出T(z_R)⁴b(z_R)z_M＝T_s ⁴*99％，则把AMSR-E的被动微波遥感表面温度转换为土壤剖面深度Z_R处的温度T(Z_R)；

S48、根据土壤热传导方程被动微波热采样深度z_M，S41所述E_S＝σεT_S ⁴，S42所述a(z)，S42所述b(z)，S44所述a(z_M)＝99％和S47所述T(z_R)⁴b(z_R)z_M＝T_s ⁴*99％求出S46所述代表深度Z_R和代表温度T(Z_R)，再根据任意土壤深度处的温度与土壤表面温度之间的关系 $T_{(z,t_d)}=T_{(0,t_d)}+A_0\left(\exp \right(-z/D\left)sin\right({\mathrm{\ω}}_d{t}_d-z/D+\mathrm{\ψ})-sin({\mathrm{\ω}}_d{t}_d+\mathrm{\ψ}\left)\right)$ 求出地表温度T₍₀₎，实现了由被动微波遥感表面温度向地表温度的转换。

2.根据权利要求1所述的微波遥感表面温度向热红外遥感肤面温度转换的方法，其特征在于：S1所述MODIS地表温度产品与AMSR-E进行匹配的具体步骤为：

步骤A、提取MODIS地表温度产品中质量较好的像元，即利用IDL程序提取MYD11B1产品的日夜地表温度和质量控制指数(QualityControl，QC)，在地表温度影像中提取所述QC标记为“good”的像元即所述质量较好的像元；

步骤B、对经QC提取后的温度影像进行尺度上推，具体为：计算落在S1所述AMSR-E影像的像元i范围内的MODIS像元的地表温度的平均值，所述平均值作为像元i对应的经尺度上推后的地表温度，遍历所述AMSR-E影像的像元，得到每个像元经尺度上推后的地表温度，其中，i为所述AMSR-E影像中像元的编号。

3.根据权利要求1所述的微波遥感表面温度向热红外遥感肤面温度转换的方法，其特征在于：S1所述GLDAS土壤温湿度数据与AMSR-E匹配的具体步骤为：

步骤Ⅰ、在空间上，利用立方卷积方法，将S1所述GLDAS土壤温湿度数据进行重采样，使S1所述GLDAS土壤温湿度数据的空间分辨率与S1所述AMSR-E影像一致；

步骤Ⅱ、在时间上，通过样条函数将S1所述GLDAS土壤温湿度数据插值到S1所述AMSR-E的过境时刻，使S1所述GLDAS土壤温湿度数据的时间分辨率与S1所述AMSR-E影像一致。